Directed Energy Deposition (DED) усули истеҳсоли иловагии металлӣ мебошад, ки дар он хокаи металлӣ ё сим бо манбаи гармии дорои энергияи баланд гудохта шуда, ба рӯйи сатҳ қабат ба қабат ҷойгир карда мешавад. Дар низомҳои DED аз кор мондани лазер, қатъ шудани таъмини хока ё ноустувор шудани раванди ҳароратӣ метавонад ба сифати қисм мустақиман таъсир расонад. Ин таҳқиқот чаҳорчӯбаи бар асоси Federated Learning (FL)-ро пешниҳод мекунад, ки ба нуқтаҳои гуногуни истеҳсолӣ имкон медиҳад, бидуни якҷо кардани маълумоти хоми раванд дар як ҳавзи марказии маълумот, модели муштараки таснифи нуқсонҳоро омӯзонанд. Маълумоти ҷадвалии мошин ва сенсор, ки аз таҷрибаҳои DED дар Missouri University of Science and Technology гирифта шудаанд, ба зермаҷмӯаҳо тақсим карда шуданд, то панҷ муштарии федеративиро намояндагӣ кунанд; се ҳолати раванд — Normal, No Laser ва No Powder — тасниф карда шуданд. Система нормализатсияи глобалии хусусиятҳо, MLP-и амиқи дорои 256–128–64–32 гиреҳ, вазни баландшуда барои синфи No Powder ва 60 даври Federated Averaging-ро истифода мебарад. Модели ниҳоии глобалӣ ба %71.4 дақиқӣ ва 0.72 macro F1 расид. Дар синфи Normal F1 = 0.86, дар No Powder F1 = 0.68 ва recall = 0.83, ва дар No Laser F1 = 0.62 мебошад. MLP-и федеративӣ нисбат ба MLP-и амиқи марказонидашуда иҷрои синфҳои мутавозинтар нишон дод, дар ҳоле ки Random Forest ва XGBoost ҳамчун истинодҳои марказонидашуда бо тақрибан %73 дақиқӣ ба дақиқии умумии каме баландтар расиданд. Таҳқиқот нишон медиҳад, ки маълумоти хоми раванд метавонад дар назди муштариён нигоҳ дошта шавад; аммо азбаски differential privacy ё secure aggregation-и криптографӣ татбиқ нашудааст, натиҷаҳо набояд ҳамчун кафолати расмии махфият тафсир шаванд. Илова бар ин, панҷ муштарӣ панҷ корхонаи воқеан мустақил нестанд; онҳо муҳити федератсияи симулятсионӣ мебошанд, ки бо тақсим кардани як манбаи маълумоти таҷрибавӣ ба панҷ зермаҷмӯа сохта шудааст.

Дар равиши Фабрикаи Рақамии Тақсимшуда (Distributed Digital Factory, DDF), иқтидори истеҳсолӣ метавонад ба ҷойи тамаркуз дар як корхона байни нуқтаҳои гуногуни физикии истеҳсолӣ тақсим шавад. Дар чунин сохтор, гарчанде сохтани моделҳои муштараки сифат ҷолиб аст, дорухатҳои истеҳсолӣ, параметрҳои мошин, сабтҳои сенсор ва натиҷаҳои раванд мумкин аст аз нигоҳи сирри тиҷоратӣ, моликияти зеҳнӣ ва амният барои мубодила дар низоми марказӣ мувофиқ набошанд.

Federated Learning ба ин масъала равиши дигар пешниҳод мекунад. Ҳар муштарӣ модели маҳаллиро дар маълумоти худаш омӯзонад; ба қабати марказии агрегатсия ба ҷойи маълумоти хом параметрҳои модел фиристода мешаванд. Сервер ин навсозиҳоро якҷо карда модели нави глобалӣ месозад ва онро дубора ба муштариён паҳн мекунад.

Омӯзиши Федеративӣ Маълумоти DED-ро Бе Марказонидан Чӣ Гуна Якҷо Мекунад?

Дар омӯзиши федеративӣ ҳар муштарии DED маълумоти маҳаллии мошин ва сенсорро дар фазои маълумотии худ нигоҳ медорад, модели муштараки MLP-ро маҳаллӣ нав мекунад ва ба сервери марказии FedAvg танҳо вазнҳои моделро мефиристад. Сервер модели миёнаи бо ҳаҷми маълумоти муштариён вазншуда месозад; ҳамин тавр намунаҳои муштараки нуқсонҳо омӯхта мешаванд, дар ҳоле ки интиқоли сабтҳои хоми раванд ба кӯли марказии маълумот зарур нест.

Низоми таҷрибавии DED

Таҷрибаҳои физикии таҳқиқоти манбаъ дар як низоми дохилии DED, ки дар Missouri University of Science and Technology таҳия шудааст, анҷом дода шуданд. Низом аз лазери Nd:YAG бо баромади максималии 1 kW, низоми ҳаракати XYZ-и се меҳвар, сари лазер аз боло, соплои off-axis-и таъмини хока, ки нисбат ба меҳвари лазер бо кунҷ кор мекунад, низоми гази муҳофизатӣ ва нигоҳдорандаи даврашакли зерқабат иборат аст.

Барои назорати рафтори ҳароратӣ ба зерқабат термопараҳои навъи K ҷойгир карда шуданд ва ду камераи ҳароратии баландсуръат истифода гардид. Камераи якум аз боло тақсимот ва паҳншавии ҳарорати ҳавзи гудохтаро, камераи дуюм аз паҳлӯ чуқурӣ, геометрия ва рафтори сахтшавиро назорат мекунад.

Дар Figure 2-и манбаъ минтақаи ҳароратӣ ба се бахши асосӣ ҷудо мешавад:

• Ядрои ҳарорати баланд: \(T>900^\circ C\)
• Ҳавзи гудохта: \(T>850^\circ C\)
• Mushy zone: минтақаи гузариши сахтшавӣ

Аз ин маълумоти ҳароратӣ ва параметрҳои мошин хусусиятҳое ба мисли Melt Pool Area (MPA), ҳарорати mushy-zone ва peak temperature гирифта мешаванд. Таснифгари федеративӣ тасвирҳои ҳароратиро мустақиман ба CNN намедиҳад; аз хусусиятҳои ҷадвалӣ, ки аз мошин ва сенсорҳо ҳосил шудаанд, истифода мекунад.

Се ҳолати раванд

Оё Панҷ Муштарии Федеративӣ Воқеан Панҷ Фабрикаи Ҷудогонаанд?

Не. Меъмории консептуалии таҳқиқот панҷ фабрикаи мустақили DED-ро намояндагӣ мекунад, аммо тибқи бахши усул, маълумоти таҷрибавӣ аз се маҷмӯаи воқеии ҳолатҳои раванд, ки аз низоми DED-и Missouri S&T гирифта шудаанд, омадааст ва онҳо ба панҷ зермаҷмӯа тақсим шуда, панҷ муштарии мустақил симулятсия шудаанд. Аз ин рӯ натиҷаҳо набояд ҳамчун санҷиши саҳроӣ дар панҷ фабрикаи воқеии ҷуғрофӣ бо фарқиятҳои таҷҳизот, мавод ва операторон тафсир шаванд.

Маҷмӯаҳои маълумоти муштариён аз 149 то 989 намуна фарқ мекунанд. Ҳар муштарӣ маълумоти худро бо stratified random sampling ба %70 омӯзиш ва %30 санҷиш ҷудо мекунад. Манбаъ ҳаҷмҳои гуногуни намуна ва тақсимоти синфҳоро ҳамчун сохтори non-independent and non-identically distributed (non-IID) тавсиф мекунад.

Ин фарқ муҳим аст: дар сенарияи воқеии multi-factory non-IID истеҳсолкунандаи мошин, оптикаи лазер, калибронӣ, хӯла, геометрия, посухи сенсор ва рафтори оператор метавонанд тағйир ёбанд. Ин таҳқиқот чунин гуногунии саҳроиро мустақиман таҷрибавӣ чен намекунад, балки бо тақсим кардани маълумоти мавҷуда ба гурӯҳҳои гуногуни муштариён рафтори оптимизатсияи федеративиро месанҷад.

Нормализатсияи глобалии хусусиятҳо

Барои мувофиқ кардани миқёси хусусиятҳои муштариёни гуногун миёнаи глобалӣ \(\mu\) ва инҳирофи стандартӣ \(\sigma\) истифода мешаванд:

\[ X^*=\frac{X-\mu}{\sigma}. \]

Манбаъ мегӯяд, ки ба муштариён танҳо арзишҳои \(\mu\) ва \(\sigma\) фиристода мешаванд ва ченкуниҳои хом мубодила намешаванд. Аммо протоколи ҷудогонаи secure-aggregation ё криптографӣ барои он ки омори глобалӣ аз муштариён чӣ гуна ба таври бехатар ҷамъоварӣ шудааст, шарҳ дода нашудааст.

Меъмории MLP-и Маҳаллӣ ва FedAvg Чӣ Гуна Сохта Шуд?

Ҳар муштарӣ як MLP-и амиқи якхелаи 256–128–64–32-қабатаро омӯзонад; омӯзиши маҳаллӣ панҷ epoch давом мекунад ва дар ҳар яке аз 60 даври иртиботӣ вазнҳо бо усули FedAvg мутаносиб ба ҳаҷми маълумот якҷо карда мешаванд. Ба синфи No Powder вазни секаратаи талафот дода шудааст, то recall-и ин ҳолат афзоиш ёбад.

Вазнҳои синф:

\[ w=[1.0,\ 3.0,\ 1.0] \]

муайян шудаанд. Тартиб No Laser, No Powder ва Normal мебошад.

Оптимизатсияи маҳаллӣ бо Adam ва:

learning rate = 0.001

дар ҳар federated communication round барои панҷ epoch иҷро мешавад.

FedAvg

Модели глобалӣ:

\[ \theta_{\mathrm{global}} = \sum_{k=1}^{K} \frac{n_k}{N} \theta_k \]

ҳисоб карда мешавад. Дар ин ҷо \(\theta_k\) параметрҳои модели маҳаллии муштарии \(k\); \(n_k\) ҳаҷми маълумоти он муштарӣ ва:

\[ N=\sum_{k=1}^{K}n_k \]

шумораи умумии намунаҳо мебошад.

Аз ин сабаб муштариёне, ки маҷмӯаи маълумоти калонтар доранд, ба вазни глобалӣ саҳми бештар мегузоранд. Манбаъ қайд мекунад, ки муштариёни хурд метавонанд махсусан ба гуногунии gradient-и намунаҳои нодир ё фарқкунандаи нуқсон саҳм гузоранд.

Усул ва Натиҷаҳои Таҳқиқот

Наздикшавӣ дар 60 даври иртибот

Дар Figure 6 дақиқии глобалӣ дар оғоз тақрибан дар сатҳи %35 аст. Дар панҷ даври аввал то тақрибан %58 боло меравад. Пас аз даври даҳум муддати тӯлонӣ бо ларзишҳои хурд дар ҳамон минтақа идома мекунад ва дар даҳ даври охир давраи дуюми афзоиш дида шуда, ба:

%71.4 дақиқӣ

мерасад.

Манбаъ ин рафторро, сарфи назар аз маълумоти non-IID-и муштариён, ҳамчун federated convergence-и устувор тафсир мекунад.

Иҷро дар се синф

Синфи Normal баландтарин F1-ро дорад. Precision = 1.00 нишон медиҳад, ки қариб ҳамаи намунаҳое, ки модел Normal гуфтааст, дар маҷмӯаи санҷиш воқеан Normal буданд; recall = 0.75 бошад нишон медиҳад, ки тақрибан чоряки намунаҳои воқеии Normal ба синфи дигар гузаронда шудаанд.

Синфи No Powder баландтарин recall-и нуқсонро дорад: 0.83. Дар иваз precision = 0.58 аст; яъне ҳангоми пешгӯии No Powder модел аз намунаҳои No Laser ва Normal миқдори қобили таваҷҷуҳи мусбатҳои бардурӯғ ҷамъ мекунад.

Confusion matrix чӣ нишон медиҳад?

Дар confusion matrix-и манбаъ тақрибан:

дида мешавад. Хатои намоёнтарин дар самти No Laser → No Powder аст. Ин метавонад аз ҷиҳати физикӣ маъно дошта бошад; дар ҳар ду ҳолат ҳамкории муқаррарии энергия-материал дар раванди DED халалдор мешавад ва вақте танҳо параметрҳои ҷадвалии мошин/сенсор истифода мешаванд, имзои ин ду нуқсон метавонад ба ҳам монанд бошад.

Оё Модели Федеративӣ Аз Моделҳои Марказонидашуда Беҳтар Аст?

Аз ҳар модел беҳтар нест. MLP-и федеративии пешниҳодшуда бо %71.4 дақиқӣ ва 0.72 macro F1 нисбат ба MLP-и амиқи марказонидашуда натиҷаи ба таври равшан беҳтар медиҳад; аммо Random Forest ва XGBoost-и марказонидашуда бо тақрибан %73 дақиқӣ ва 0.736–0.737 macro F1 каме аз модели федеративӣ баландтар буданд. Бартарии асосии равиши федеративӣ дар ин таҳқиқот на дақиқии мутлақи баландтарин, балки таъмин кардани иҷрои рақобатпазир ва мутавозинтари бисёрсинфӣ бидуни ҷамъ кардани маълумоти хом дар як марказ мебошад.

MLP-и марказонидашуда махсусан дар синфи No Laser номуваффақ буд ва F1 = 0.00 дод. Дар муқобил, MLP-и федеративӣ барои No Laser 0.62, барои No Powder 0.68 ва барои Normal 0.86 F1 дод.

Таҳқиқоти ablation

Натиҷаҳои ablation нишон медиҳанд, ки ҳар се ҷузъ ба иҷрои умумӣ саҳм мегузоранд. Коҳиши калонтарин ҳангоми хориҷ кардани вазнҳои синф дида мешавад. Хориҷ кардани нормализатсияи глобалӣ низ нишон медиҳад, ки фарқияти миқёси хусусиятҳо байни муштариён метавонад омӯзишро халалдор кунад.

Нуқтаи санҷиши дохили манбаъ оид ба номувозинии синфҳо

Муаллифон ҳолати No Powder-ро ҳамчун синфи ақаллиятӣ қабул карда, вазни онро ба 3.0 мебардоранд. Аммо дар маҷмӯаи ниҳоии санҷиш support барои No Laser = 997, No Powder = 1038 ва Normal = 1012 мебошад. No Powder дар ин маҷмӯаи муттаҳиди санҷиш аз рӯи шумора хурдтарин синф нест. Сутунҳои синфӣ бар асоси муштариён дар Figure 4 низ номувозинии шадиди глобалиро нишон намедиҳанд.

Дар зермаҷмӯаҳои маҳаллии омӯзиш номувозиниҳои мураккабтар метавонанд вуҷуд дошта бошанд; аммо азбаски шумораҳои муфассали муштарӣ×синф ҷадвалбандӣ нашудаанд, заминаи пурраи миқдории class-weighting аз манбаъ дубора барқарор карда намешавад. Verianla ин нуқтаро ҳамчун ёддошти санҷиши усули дохили манбаъ нигоҳ медорад.

“Privacy-Preserving” Дар Ин Ҷо Чӣ Маъно Дорад?

Дар ин таҳқиқот “privacy-preserving” асосан маънои онро дорад, ки сабтҳои хоми раванди DED дар назди муштариёни маҳаллӣ мемонанд ва ба сервери марказӣ танҳо навсозиҳои модел фиристода мешаванд. Азбаски дар мақола differential privacy, secure multiparty computation, homomorphic encryption ё cryptographic secure aggregation татбиқ нашудааст, усул набояд ҳамчун кафолати пурраи расмӣ ё ба ҳамла тобовари махфият арзёбӣ шавад.

Ин фарқ барои муҳити истеҳсолӣ муҳим аст. Марказонӣ нашудани қувваи хоми лазер, суръат, таъмини хока, сабтҳои сенсор ва раванди ҳароратӣ аз нигоҳи моликияти зеҳнӣ ва соҳибихтиёрии маълумот бартарии муҳим аст. Бо вуҷуди ин, вазнҳои модел ё gradient-ҳо низ дар баъзе моделҳои ҳамла метавонанд маълумот ихроҷ кунанд. Манбаъ ин хатарҳоро таҷрибавӣ насанҷидааст.

Ҳамин тавр, ибораи “cyber-resilient” натиҷаи тобоварӣ ба ҳамла нест, ки таҳқиқот онро таҷрибавӣ тасдиқ карда бошад. Label-flipping, Byzantine client, model poisoning, gradient inversion ё malicious-server attacks дар маҷмӯаи таҷрибавии ин таҳқиқот татбиқ нашудаанд.

Оё Синфи Normal Воқеан Санҷиши Равандро Байни Фабрикаҳо Таъмин Мекунад?

Таҳқиқот бар он аст, ки синфи Normal на танҳо тамғаи “нуқсон нест”, балки метавонад ҳамчун режими омӯхташудаи корӣ истифода шавад, ки ҳамкории устувори лазер–хока, имзоҳои мувофиқи ҳароратӣ ва динамикаи қобили қабули раванд-параметрро намояндагӣ мекунад. Ин идея метавонад дар оянда барои арзёбии мутобиқати раванд байни фабрикаҳо муфид бошад; аммо таҳқиқоти ҳозира квалификатсияи воқеии бисёрфабрикавӣ, сертификатсия ё санҷиши сифати қисмро анҷом надодааст.

Ба ибораи дигар, шинохти устувори ҳолати Normal аз ҷониби модели глобалӣ дар зермаҷмӯаҳои гуногуни муштариён метавонад нишондиҳандаи ибтидоӣ барои process-state validation бошад. Аммо ин натиҷа:

• санҷиши хосиятҳои механикӣ,
• ченкунии порозият,
• санҷиши микросохтор,
• мутобиқати андозавӣ,
• сертификатсияи қисмҳои авиатсионӣ/тиббӣ

-ро иваз намекунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Модели муштараки MLP-ро метавон бо FedAvg бе интиқоли маълумоти хоми DED ба як кӯли марказии маълумот омӯзонд.
• Дар шароити панҷ муштарии симулятсионӣ federated training-и 60-давра ба таври устувор наздик шуд.
• Модели пурра %71.4 дақиқӣ ва 0.72 macro F1 дод.
• Recall-и No Powder ба 0.83 расид.
• MLP-и федеративӣ нисбат ба deep MLP-и марказонидашуда иҷрои синфҳои хеле мутавозинтар нишон дод.
• Нормализатсияи глобалӣ, шабакаи амиқ ва class weighting дар натиҷаҳои ablation ба иҷро саҳм гузоштанд.
• Синфи Normal метавонад ҳамчун нишондиҳандаи эҳтимолӣ барои назорати ҳолати раванди тақсимшуда истифода шавад.

Умумисозиҳое, ки таҳқиқот дастгирӣ намекунад

• Таҳқиқот санҷиши саҳроии тасдиқшуда дар панҷ фабрикаи воқеии ҷуғрофӣ нест.
• Тақсим кардани маълумот ба панҷ муштарӣ тамоми domain shift-и воқеии мошин-фабрикаро намояндагӣ намекунад.
• Модели федеративӣ нисбат ба Random Forest ва XGBoost дақиқии умумии баландтар нишон надод.
• Ибораи “Privacy-preserving” кафолати differential privacy ё махфияти криптографиро надорад.
• Ибораи “Cyber-resilient” бо санҷишҳои adversarial attack тасдиқ нашудааст.
• Шинохти синфи Normal худ аз худ далели сифати қисм, хосияти механикӣ ё сертификатсия нест.
• Модел танҳо се ҳолати равандро тасниф мекунад; нишон дода нашудааст, ки ҳамаи нуқсонҳои DED, ба мисли porosity, crack, lack-of-fusion ё balling-ро мустақиман тасниф кунад.
• Дар манбаъ пурра шарҳ дода нашудааст, ки чаро No Powder minority class ҳисобида шуда, class weight = 3.0 талаб мекунад, дар ҳоле ки support-и ниҳоии гузоришшуда чунин ақаллиятро ошкор намекунад.

Корҳои оянда

Муаллифон пешниҳод мекунанд, ки дар оянда сенсорҳои иловагӣ ба мисли pyrometry, multispectral imaging ва acoustic emission истифода шаванд; усулҳои robust aggregation барои муқобила бо навсозиҳои бадхоҳона ё пастсифати муштариён илова карда шаванд ва federated learning бо симулятсияҳои digital twin якҷо карда шавад, то сенарияҳои синтетикии нуқсонҳо тавлид шаванд.

Ёддошт оид ба Манбаъ ва Усул

Таҳқиқоти аслӣ:Federated Intelligence for Distributed Digital Factories: A Privacy-Preserving Framework for Process Validation and Defect-Risk Modeling in Directed Energy Deposition.

Муаллифон: Md Sazol Ahmmed, Sung-Heng Wu, Sriram Praneeth Isanaka ва Frank Liou.

Муассиса: Missouri University of Science and Technology, Rolla, Missouri, USA.

Муаллифи масъули иртибот: Дар сабти SSRN — Md Sazol Ahmmed.

DOI: 10.2139/ssrn.7205817.

Мақоми нашр: Preprint-и 33-саҳифаӣ, ки 30 июли 2026 дар SSRN нашр шудааст ва аз арзёбии ҳамтоён нагузаштааст.

Инфрасохтори таҷрибавӣ: Низоми DED бо лазери Nd:YAG-и максималии 1 kW, ки дар Missouri S&T таҳия шудааст; низоми ҳаракати XYZ, off-axis powder nozzle, гази муҳофизатӣ, термопараи навъи K ва ду камераи ҳароратии баландсуръат.

Муштариёни федеративӣ: Манбаъ аз ҷиҳати консептуалӣ аз панҷ муштарии фабрикаи тақсимшуда сухан мегӯяд, аммо дар бахши усул нишон медиҳад, ки се маҷмӯаи воқеии ҳолатҳои раванд ба панҷ зермаҷмӯа тақсим шуда, панҷ муштарӣ симулятсия шудаанд.

Маълумоти вурудӣ: Шаш хусусияти ҷадвалӣ; танзимоти мошин, маълумоти мавод/сенсор ва ченкуниҳои раванд ба мисли Melt Pool Area, mushy-zone region temperature ва peak temperature.

Модел: 256–128–64–32 MLP, ReLU, 0.3 dropout дар ду қабати аввал, баромади се синф.

Federated training: FedAvg, 60 communication round, дар ҳар давр 5 local epoch, Adam, learning rate 0.001.

Class weights: [1.0, 3.0, 1.0] — No Laser, No Powder, Normal.

Нармафзор: Python 3, PyTorch 2.x, NumPy, pandas, scikit-learn; муҳити Google Colab GPU.

Ҳадди махфият: Нишон дода шудааст, ки маълумоти хом маҳаллӣ мемонад; аммо differential privacy, secure aggregation ё cryptographic privacy mechanism татбиқ нашудааст.

Ёддошти санҷиши дохили манбаъ: Гарчанде гуфта мешавад, ки синфи No Powder ҳамчун minority class вазн дода шудааст, support-и ниҳоии санҷиш 997/1038/1012 буда, ақаллияти равшани глобалиро нишон намедиҳад. Азбаски тақсимоти маҳаллии омӯзиш бо тафсилоти миқдорӣ дар манбаъ дода нашудааст, барқарорсозии пурраи ин асос имконнопазир аст.

Дастрасии маълумот: Дар манбаъ Data Availability Statement-и ҷудогона ва равшан дида намешавад; аз ин рӯ маълумоти иловагӣ ба монанди мавҷудияти анбори оммавии маълумот дода нашудааст.

Ҳуқуқи муаллиф: Сабти SSRN мегӯяд, ки ҳамаи ҳуқуқҳо ҳифз шудаанд. Ба ҷойи нусхабардории айнании шаклҳои манбаъ, дастгоҳи DED, меъмории фабрикаи федеративӣ ва натиҷаҳои тасниф бояд барои Verianla ба таври аслӣ аз нав кашида шаванд.